Deep Learning 让未来更有效率

学习并研究机器。Deep Learning 是一种机器学习技术，可能也是人工智能领域重要的未来科技。SICK 将这项关键技术转移至其传感器，以此为客户提供额外收益，提高生产率和灵活性。      

聪明的机器必须进行评判以使生产阶段更加高效。物流流程自动化也进一步加快步伐。人们对智能机器行为的兴趣上升，数字技术面临的挑战也越来越大。传感器仍然是所有信息的来源，集成的软件实现联网数据分析和通信。但为了跟随工业 4.0 的趋势，不得不在数据复杂性方面进行“改革式”的 IT 思考。Deep Learning 不可或缺，这也是 SICK 与其客户一起为实现与时俱进的设备流程所采取的办法。  

Deep Learning 像人一样思考

Deep Learning 的前提是通过算法识别和进一步处理海量多层数据与数据模式。类似人类思考的人工神经网络从样例中学习。从经验中学习。学习适应更新信息。因此，如今可进行一系列直到几年前还无法想象的优化。机器和设备与智能数据及专业传感器相结合可胜任最复杂的任务。 

现实检查

SICK 目前付诸实施的大部分 Deep Learning 项目都来自光学质量检查。在物流自动化中，Deep Learning 摄像头通过分析已示教的图片自动识别、检查、分级和定位“训练过”的对象或特点。例如，其可检查分拣托盘上是否存在扁平的送货袋。该检查优化了对分拣机单元的占用并增加了吞吐量。即使在白色纸箱上附着了白色带子，其也能识别包裹上的捆绑带。以此保障在自动包装流程中较高水平的质量控制以及对所运输对象的分析。若包裹件下凹甚或损坏或是应确定包裹的材料特性，则 SICK 的传感器可提供智能服务，在运行过程中采集和评估结构或特点。其确保开始其他分拣步骤。这种形式的操作是独特的的，先前只有人眼能做到。在 SICK的所有项目中，最后都涉及通过 Deep Learning 改进流程和提高设备的整体效率。  

优秀的专家、多层算法、卓越的计算性能

在此不需要一般适用的问题解决方法。重点在于按具体应用情况区分的解决方案。即使现代 2D 和 3D 摄像头变得越来越快、性能越来越强，传统的图片处理算法也是其如今的瓶颈。为了评估不同用途和条件，SICK 的 Deep Learning 专家与客户方的流程与质量专家密切合作。他们的专业流程知识是针对模拟的训练基础以及日后的传感器内 Deep Learning 算法的核心。 

多层网络架构可处理海量信息。在数小时内便可完成 Deep Learning 网络的训练时间。此外，Deep Learning 可重新训练并适应新情况。SICK 将公司内部性能强大的独立计算机和 IT 基础用于大数据池和训练神经网络。生成的 Deep Learning 算法通过云在传感器上本地提供，因此在智能摄像头上直接可用且可靠安全。 

控制机器还有很长的路要走，但 Deep Learning 如今已取得令人印象深刻的成果，未来将提供众多优势。但主要工作仍由人类来完成。时间会证明多少产业和各行各业的公司将加大对这项数字技术的投资以促进公司增长。成为发展的一部分——通过新项目。与 SICK 一起。